新書推薦：
《
中国古代史三论：政治·地域·族群
》
售價：NT$
419.0
《
走向现代：东亚现代人的起源与演化
》
售價：NT$
539.0
《
蜉蝣国度
》
售價：NT$
341.0
《
中国兰花名品珍品鉴赏图典（第四版)
》
售價：NT$
1914.0
《
老年
》
售價：NT$
539.0
《
20世纪的设计
》
售價：NT$
500.0
《
短线猎金
》
售價：NT$
265.0
《
DK伟大的城市地图
》
售價：NT$
1010.0
|
| 內容簡介： |
|
《Python机器学习与深度学习》坚持理论教学环节与实验实践教学环节并重的教育理念， 不仅详细探讨了机器学习和深度学习原理， 即“模型、学习准则和优化算法”， 而且对每一个模型均辅以 Python “自编码”算法设计， 详细再现了从原理分析到算法设计与应用的过程和思想， 使理论分析、优化计算与算法设计三者交互映衬， 便于读者学习掌握. 《Python机器学习与深度学习》共包含 16 章， 既涵盖了**的机器学习模型， 如线性模型、k-近邻、支持向量机、决策树、贝叶斯模型、集成学习、聚类等， 又涵盖了深度学习领域新兴优秀的学习模型， 如卷积神经网络、循环神经网络、自然语言处理和生成式深度学习等.
|
| 目錄：
|
|
目录前言第1章Python与机器学习基础11.1Python语言及其基本语法21.1.1Python语言与开发环境21.1.2Python语法与面向数组计算41.2Python模块化设计与感知机101.2.1Python模块化设计101.2.2感知机模型131.2.3感知机的算法设计161.3机器学习与深度学习基础251.3.1机器学习简述251.3.2机器学习的类型291.3.3深度学习简述311.4过拟合与泛化性能331.4.1过拟合331.4.2偏差与方差371.5习题与实验401.6本章小结411.7参考文献41第2章模型评估与多分类学习432.1评估方法432.1.1留出法442.1.2k折交叉验证法452.1.3自助法472.1.4调参与最终模型492.1.5Hyperopt自动化超参数调优512.2性能度量552.2.1性能度量指标552.2.2P-R*线572.2.3ROC*线602.2.4代价敏感错误率与代价*线622.2.5性能度量算法设计642.3多分类学习732.3.1多分类学习策略732.3.2多分类学习的算法设计742.4习题与实验792.5本章小结792.6参考文献80第3章线性回归813.1线性回归模型的闭式解823.1.1学习准则与闭式解823.1.2可决系数843.1.3算法设计与应用853.2梯度下降法迭代优化913.2.1梯度下降法与参数更新公式913.2.2算法设计与应用933.3多项式回归983.3.1模型建立与算法设计983.3.2学习*线1013.4线性回归的正则化方法1043.4.1Ridge回归及其算法设计1063.4.2LASSO回归及其算法设计1103.4.3ElasticNet回归及其算法设计1213.5习题与实验1243.6本章小结1253.7参考文献126第4章逻辑回归1274.1二分类学习任务1274.1.1逻辑回归模型与交叉熵损失函数.1274.1.2梯度下降法及其加速算法1304.1.3线性收敛的随机优化算法1334.1.4二阶优化的拟牛顿算法1354.1.5二分类算法设计与应用1394.2多分类学习任务1544.2.1Softmax回归和学习策略1554.2.2多分类算法设计与实现1584.3习题与实验1654.4本章小结1654.5参考文献166第5章判别分析与主成分分析1675.1LDA二分类问题1675.1.1广义瑞利商和LDA模型求解1685.1.2LDA二分类问题算法1715.2LDA多分类任务的降维与预测1745.2.1LDA多分类模型建立和求解1745.2.2LDA多分类任务的降维与预测算法1775.3二次判别分析1825.4主成分分析1845.4.1主成分分析原理1845.4.2QR正交分解法求实对称矩阵特征值与特征向量1885.4.3主成分分析算法设计1915.5核主成分分析1955.6习题与实验1995.7本章小结2005.8参考文献201第6章决策树2026.1特征划分选择与连续值处理2026.1.1信息熵2036.1.2离散特征变量的划分标准2046.1.3连续特征变量的划分标准与分箱处理2096.1.4特征划分选择标准的算法设计2136.2决策树算法设计2176.3剪枝处理2266.4基于CART的回归树2316.5习题与实验2396.6本章小结2416.7参考文献242第7章k-近邻2437.1距离度量2457.2kd树的建立与搜索2467.3k-近邻算法设计2497.4习题与实验2597.5本章小结2607.6参考文献261第8章贝叶斯分类器2628.1朴素贝叶斯分类器2638.1.1朴素贝叶斯分类器原理2638.1.2朴素贝叶斯分类器算法设计2668.2半朴素贝叶斯分类器2738.2.1半朴素贝叶斯分类器原理2738.2.2基于AODE算法的半朴素贝叶斯算法设计2758.3习题与实验2808.4本章小结2818.5参考文献281第9章支持向量机2829.1线性可分支持向量机2829.1.1间隔与支持向量2829.1.2对偶问题与KKT条件2849.1.3线性可分支持向量机模型2869.2软间隔与线性支持向量机2889.3核函数与非线性支持向量机2909.4SMO与Pegasos优化算法2919.4.1SMO算法2919.4.2Pegasos算法2959.5支持向量机的算法设计2969.6支持向量机回归3109.6.1SVR模型与学习3109.6.2SVR算法设计3139.7习题与实验3219.8本章小结3219.9参考文献322第10章集成学习32410.1Boosting族算法32610.1.1AdaBoost分类及其变体算法32610.1.2AdaBoost回归33610.1.3回归问题的提升树与GBDT算法34010.1.4分类问题的GBDT算法34610.2Bagging与随机森林35010.2.1Bagging35010.2.2随机森林35610.3XGBoost36410.3.1XGBoost模型与学习36410.3.2XGBoost分类与回归算法.36910.4习题与实验.37710.5本章小结37710.6参考文献378第11章聚类37911.1聚类的性能度量和距离度量37911.2原型聚类38511.2.1k-means聚类38611.2.2学习向量量化39411.2.3高斯混合聚类39811.3密度聚类40511.4层次聚类41011.5习题与实验41511.6本章小结41511.7参考文献416第12章前馈神经网络41712.1单层神经网络41912.2BP神经网络42312.2.1BP神经网络训练原理42312.2.2Affine层设计43012.2.3BP神经网络架构设计43112.2.4加速优化学习方法44012.2.5基于优化学习方法的BP神经网络算法设计44612.3神经网络多分类问题44912.4深度神经网络学习45312.4.1梯度消失和激活函数45412.4.2网络权重初始化方法45812.4.3过拟合和节点丢弃46012.4.4批归一化46512.5径向基函数神经网络47212.6习题与实验47712.7本章小结47912.8参考文献479第13章卷积神经网络48113.1卷积层48213.2池化层48813.3卷积神经网络的算法设计49013.3.1卷积层的算法设计49013.3.2池化层的算法设计49213.3.3CNN算法设计架构49413.4习题与实验50313.5本章小结50513.6参考文献505第14章循环神经网络与自然语言处理50614.1简单循环神经网络模型50614.1.1S-RNN模型与学习50614.1.2S-RNN算法设计51114.2长短期记忆网络52014.2.1LSTM模型与学习52014.2.2LSTM算法设计52314.3门控循环单元网络53014.3.1GRU模型与学习53014.3.2GRU算法设计53214.4自然语言处理53714.4.1word2vec模型53714.4.2Seq2Seq模型54114.4.3Attention机制55114.5习题与实验56114.6本章小结56114.7参考文献562第15章自组织映射神经网络56315.1SOM网络模型和学习56415.2SOM算法设计56615.3习题与实验57515.4本章小结57615.5参考文献576第16章生成式深度学习57716.1变分自编码器57716.1.1VAE模型和学习57816.1.2VAE算法设计58316.2生成式对抗网络59316.2.1GAN模型和学习59416.2.2GAN算法设计59616.3深度卷积生成式对抗网络DCGAN60716.4习题与实验61316.5本章小结61316.6参考文献614
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
